蟻群優化支持向量機的通信信息安全態勢預測

王彬筌， 蔣亞坤， 張仕鵬， 李曉耕， 韓校， 孫浩

(1. 云南電力調度控制中心， 云南， 昆明 650041；2. 中國能源建設集團廣東省電力設計研究院有限公司， 廣東， 廣州 510663；3. 華南理工大學， 電力學院， 廣東， 廣州 510641)

0 引言

隨著通信技術和網絡技術的不斷發展，出現了許多性能優異的通信系統，通信系統在工作過程中每天處理大量的信息，為人們工作、生活提供了方便[1-3]。但是由于通信系統通常存在一定的漏洞，一些非法分子對通信系統進行攻擊，并且攻擊的手段越來越多，傳統防火墻、漏洞掃描、病毒防護等措施無法攔截非法攻擊，給人們帶來一定的經濟損失，同時一些隱私信息也被曝光，導致通信信息安全存在一定的風險[4]。通信信息安全態勢分析和預測可以幫助人們提前了解通信信息安全所處的狀態，從而主動制定一定安全風險防范措施，因此設計一些性能優異的通信信息安全態勢預測模型，實現通信信息安全態勢準確預測，對于保護通信系統的安全具有十分重要的意義[5]。

當前有許多類型的通信信息安全態勢預測模型，如基于時間序列分析法[5]、灰色模型[6]、神經網絡[7-9]和支持向量機[10]等預測模型。時間序列分析法、灰色模型均屬于線性建模方法，認為通信信息安全態勢具有線性變化規律，然而通信信息安全受到多種因素的影響，通信信息安全態勢也具有非線性變化規律，因此這2類模型的通信信息安全態勢預測偏差大，已經無法適應復雜多變的通信信息安全態勢建模要求。神經網絡雖然可以對通信信息安全態勢的非線性變化規律進行建模，但是神經網絡經常得到過擬合的通信信息安全態勢預測結果，缺陷十分明顯[11-12]。支持向量機具有更優的建模能力，成為通信信息安全態勢預測的主要建模工具[13]。支持向量機在通信信息安全態勢預測中存在參數優化的難題，當前主要采用人工隨機方式或者遺傳算法確定，但是難以找最優的參數，使得通信信息安全態勢預測結果不穩定，而且誤差比較大[14]。

為了解決支持向量機參數優化難題，降低通信信息安全態勢預測誤差，設計了基于蟻群優化支持向量機的通信信息安全態勢預測模型(ACO-SVM)，并與傳統支持向量機的通信信息安全態勢預測模型進行對比測試，結果表明，蟻群優化支持向量機可以準確預測通信信息安全態勢，預測結果可以為通信信息安全管理人員提供有價值的參考信息，更好地保證通信信息安全。

1 蟻群優化支持向量機的通信信息安全態勢預測模型

1.1 基于混沌理論的通信信息安全態勢數據挖掘

通信信息安全態勢數據是建模的基礎，采集原始的通信信息安全態勢數據基本是一維數據，其是多種因素的綜合結果。由于一維數據無法表征通信信息安全態勢的變化，因此需要將其轉換為一個多維數據，通常混沌理論對通信信息安全態勢數據進行變換，便于挖掘通信信息安全態勢變化規律，設一維的通信信息安全態勢數據為{x(t),t=1,2,…,n}，n表示數據量，那么通過混沌理論的相空間重構算法可以得到一個多維的通信信息安全態勢數據，具體如下：

X(t)={x(t),x(t+τ),…,x(t+(m-1)τ}T,t=1,2,…,N

(1)

式中，m表示嵌入維，τ表示延遲時間，N表示信信息安全態勢變化空間中的相點數。

1.2 支持向量機

對于一個多維通信信息安全態勢數據集合，支持向量機通過變換函數φ(x)對于數據集進行回歸，具體如下：

y=ω·φ(x)+b

(2)

式中，ω和b分別表示權向量與偏置向量，φ(x)為核函數。

(3)

式中，C表示懲罰參數。

引入拉格朗日乘子a與a*，將式(3)問題轉變成凸二次優化問題，具體如下：

(4)

為了提升求解效率，把式(4)變為對偶模式，具體為

(5)

對于線性預測問題，支持向量機回歸形式變為

(6)

由于通信信息安全態勢預測是一個非線性預測問題，因此采用核函數k(xi,x)代替內積操作(φ(xi),φ(x))，這樣通信信息安全態勢預測的支持向量機回歸形式變為

(7)

由于徑向基核函數參數少，因此選擇徑向基核函數作為支持向量機的核函數，具體為

(8)

式中，σ為核寬度參數。

在通信信息安全態勢預測過程中，支持向量機的參數C和σ至關重要，因此選擇蟻群算法優化支持向量機的參數C和σ。

1.3 蟻群算法

蟻群算法是一種非常流行的群智能優化算法，最初用來解決旅行商問題，其模擬自然界蟻群的搜索食物源到巢穴的最短路徑，螞蟻之間通過信息素進行交流，每一只螞蟻在爬行過程中會在爬行的路徑上釋放信息，路徑越優，那么爬行螞蟻越多，路徑上的信息素深度越高。第t時刻，節點i和節點j之間的路徑上的信息深度為γij(t)，那么螞蟻k從節點i轉移到節點j的概率為

(9)

式中，ηij表示路徑(i,j)的能見度，α表示信息素啟發因子，β表示能見度啟發因子。

經過n個時刻，螞蟻對所有節點進行了遍歷，那么需要對路徑上的信息素進行更新，具體如下：

γij(n+1)=(1-ρ)γij(n)+Δγij(t)

(10)

式中，ρ表示信息素衰減因子，Δγij(t)表示本次遍歷路徑上的信息素增量：

(11)

(12)

式中，dij表示節點i和節點j之間距離。

1.4 ACO-SVM的通信信息安全態勢預測步驟

Step 1：采集通信信息安全態勢預測建模的歷史數據，并引入混沌理化的相空間重構算法對其進行變換，得到有利于建模的多維的通信信息安全態勢數據。

Step 2：將通信信息安全態勢數據分為訓練樣本集合與驗證樣本集合。

Step 3：確定支持向量機參數的C和σ的取值范圍，本文的C和σ的取值區間分別為：[1 1 000]，[0.1 10]。

Step 4：根據C和σ的取值區間將蟻群搜索空間劃分為多個節點，初始化蟻群，將每一只螞蟻部署于不同節點上。

Step 5：蟻群算法模擬螞蟻尋食的過程進行不斷的搜索，得到多個搜索路徑。

Step 6：對多條搜索路徑進行評估，根據最優搜索路徑得到支持向量機參數C和σ的最優取值。

Step 7：支持向量機根據參數的C和σ的最優取值對通信信息安全態勢的訓練集合進行學習，建立通信信息安全態勢預測模型。

Step 8：并通過驗證樣本對通信信息安全態勢預測模型的泛化能力進行測試與分析。

2 通信信息安全態勢預測的仿真實驗

2.1 實驗環境以及通信信息安全態勢數據

為測試蟻群優化支持向量機的通信信息安全態勢預測模型的性能，使用具體一個通信系統的信息安全態勢歷史數據作為測試數據集。該數據集包括了200個樣本，具體如圖1所示。

圖1 通信信息安全態勢的歷史數據

從圖1可以發現，該通信信息安全態勢數據集具有一定的時變性，態勢值變化區間比較大，同時為了說明蟻群算法優化支持向量機的優越性，選擇2種模型進行對比測試，具體如下。

(1) 隨機確定支持向量機參數的通信信息安全態勢預測模型，簡稱SVM。

(2) 遺傳算法確定支持向量機參數的通信信息安全態勢預測模型，簡稱GA-SVM。

在相同實驗環境中，將通信信息安全態勢數據集劃分為2個部分：訓練集和驗證集，其中訓練集為150個樣本，驗證集為50個樣本，共進行5次仿真實驗，它們每一次的訓練集和驗證集采用隨機方式選擇。實驗環境為Windows 10操作系統，MATLAB 2018工具箱。

2.2 通信信息安全態勢數據的預處理

由于收集到的通信信息安全態勢的原始數據為一維數據，直接采用支持向量機無法挖掘通信信息安全態勢變化規律，通過相空間重構變換原始通信信息安全態勢數據，由于每一次測試集和驗證集具體選擇的樣本不一樣，得到的相空間重構參數如表1所示。從表1可以看出，每一次實驗的相空間重構參數均不相同，這表明選擇不同的樣本組成訓練集進行建模是有一定的差別的，這樣可以使實驗結果的通用性更強。

表1 不同次實驗的相空間重構參數

2.3 確定支持向量機參數

采用隨機方式、遺傳算法和蟻群算法確定每一次仿真實驗的支持向量機參數，不同仿真實驗的支持向量機參數，具體如表2所示。

表2 不同模型的支持向量機參數

2.4 通信信息安全態勢預測模型的擬合精度對比

支持向量機根據表2中的參數對訓練樣本集合進行學習，建立相應的通信信息安全態勢預測模型，并對訓練樣本進行擬合，統計每一次實驗的通信信息安全態勢預測模型的擬合精度，結果如圖2所示。

圖2 通信信息安全態勢預測模型的擬合精度對比

從圖2可以發現，ACO-SVM的通信信息安全態勢擬合精度要高于GA-SVM，而GA-SVM的通信信息安全態勢擬合精度要高于SVM，這表明蟻群算法可以得到更優的支持向量機參數，降低了通信信息安全態勢擬合誤差。

2.5 通信信息安全態勢預測模型的泛化精度對比

采用建立的通信信息安全態勢預測模型對驗證樣本進行預測，統計預測精度，即泛化精度，結果如圖3所示。從圖3可以看出，相對于擬合精度，通信信息安全態勢泛化精度明顯降低，但是ACO-SVM的通信信息安全態勢泛化精度明顯高于GA-SVM和SVM，這表明ACO-SVM可以跟蹤通信信息安全變化態勢，從而可以獲得理想的通信信息安全態勢預測結果。

圖3 通信信息安全態勢預測模型的泛化精度對比

3 總結

支持向量機是一種最為廣泛的通信信息安全態勢預測建模工具，但是其參數優化當前沒有統一標準，導致通信信息安全態勢預測誤差大，為了獲得更優的通信信息安全態勢預測結果，提出了基于蟻群優化支持向量機的通信信息安全態勢預測模型，并分析與其他模型的對比測試結果可以得到如下結論。

(1) 通信信息安全態勢變化表面上看沒有什么規律，但是實際存在一定的規律性，引入相空間算法對通信信息安全態勢數據進行重構，可以深層次挖掘通信信息安全的變化態勢，便于后續的通信信息安全態勢建模與預測。

(2) 采用支持向量機擬合通信信息安全態勢的非線性、動態變化規律，并引入蟻群算法對支持向量機參數進行不斷調整，減少了預測誤差，使通信信息安全態勢預測精度得到了明顯的提升。

(3) 相對于傳統支持向量機和遺傳算法優化的支持向量機，蟻群優化支持向量機的通信信息安全態勢預測建模誤差相對較小，改善了通信信息安全態勢預測結果，可以對通信信息安全風險進行準確跟蹤，具有比較廣泛的應用前景。